岸桥机械动态特征信息的数据挖掘与状态识别

论文摘要

随着岸桥在线监测系统在集装箱港口的普遍应用,随之产生了海量的状态监测数据;与故障诊断不同:这些动态数据是在岸桥作业时采集得到的,反映了岸桥在各种工况下的机械动态特征,显得杂乱无章,特征不明显;同时,数据的数据量都比较大（以GB为单位）。利用传统的手段处理这些数据在方法和效率上都显得力不从心。因此,如何有效地处理这些数据,并获得设备管理人员感兴趣的知识是研究人员必须面对的问题,也是本论文的主要研究内容。最近几年,数据挖掘技术以其在知识获取方面的独特优势,得到了迅猛发展。因此,利用数据挖掘技术在海量的监测数据中发现能够反映岸桥动态状态的新特征,不失为一种好方法;同时,利用这些新的特征和手段进行岸桥机械状态的识别与评估也是一个很值得研究的课题。这不仅有利于突破传统知识获取手段的瓶颈,更能使这些存放在数据库中的数据得到充分的利用。因此,对这些监测数据进行知识发现具有重要的理论和工程价值。本论文作为上海市教育委员会科研项目（项目编号:2004095）:起重机监测信息的数据挖掘与状态预测技术的主要成果,主要根据岸桥远程在线状态监评系统（NetCMAS）数据库中的监测数据,利用数据挖掘的主要方法和手段,开展岸桥机械状态识别的研究。论文主要从以下两个方面着手开展:对岸桥在线监测数据进行量化关联规则挖掘,并研究如何利用得到的规则对岸桥的状态及其变化进行识别和评估;针对高维的岸桥机械特征向量,利用基于粗糙集的属性约简和神经网络技术,实现岸桥的机械状态识别和可视化。同时,在论文最后,对岸桥状态的预测模型进行了初步研究。论文以大量真实的状态监测数据作为数据挖掘的数据源,从研究岸桥机械状态特征及其变化入手,进行了量化关联规则挖掘、基于粗糙集的维数约简、基于神经网络的聚类及可视化等方面的研究,为数据挖掘技术在岸桥状态监测信息中进行知识发现、状态识别和进行更深入的研究做出了有益的探索。本文的主要工作如下:1.设计了岸桥远程在线监测与评估系统（NetCMAS） ,实现了岸桥机械状态的远程在线监测与评估。NetCMAS系统的使用积累了大量的岸桥状态监测数据,为数据挖掘提供了数据源,也保证了本论文中所有的研究结果真实可信。2.对岸桥在线监测数据进行量化关联规则挖掘,并利用关联规则作为特征量对岸桥的机械状态进行识别。为了适应岸桥监测数据分布偏度较高的特点,论文提出了MCA-MQAR（基于改进的竞争聚集算法的关联规则）算法,并根据该算法对岸桥的在线监测数据进行了关联规则挖掘;在此基础上,论文针对以分区离散法为基础的量化关联规则存在的问题,提出了直接生成频繁项集的GA-MQAR（基于遗传算法的量化关联规则）算法,并对算法进行了详细的论述。在此基础上,论文对上述两种算法进行了对比,并确定了论文后续内容采用GA-MQAR算法。在发现规则的基础上,论文着重对如何利用规则来对岸桥的机械状态进行识别进行了研究。首先提出了划分关联规则的测度——相似度,并利用该测度将发现的规则划分为四类:稳定的规则、消失的规则、新生的规则和变化的规则,进一步,论文提出了基于规则的岸桥状态识别模型,提出利用关联规则及其变化作为特征值来识别、评价岸桥的机械状态及其变化。3.针对岸桥机械状态识别过程中,特征参数向量维数过高的问题,提出了首先利用基于粗糙集的属性约简技术对特征向量进行约简,再利用神经网络进行状态识别、可视化的方法;在可视化的过程中,提出利用增长神经元结构（GCS）神经网络在3D空间进行可视化。属性约简中,针对岸桥监测数据没有决策属性的特点,提出了一般信息表属性约简算法;并提出了利用Wallace测度评价属性约简的精度和准确度,弥补了无监督聚类难以评价约简对聚类影响的局限。论文分别对岸桥起升驱动系统和小车行走驱动系统的状态监测数据进行了基于粗糙集的属性约简。对约简结果的评价,说明了算法对岸桥状态监测数据属性约简的有效性。在属性约简的基础上,对岸桥状态识别的可视化进行了研究。为了克服SOM网络拓扑结构固定的局限及取得更好的可视化效果,论文提出利用自组织神经网络的改进算法—增长神经元结构（Growing Cell Structure）的神经网络进行岸桥状态监测数据的状态识别和可视化;同时,为了取得更好的可视化,论文突破了以往大部分状态识别只在2D空间进行的局限,在3D空间实现了可视化。在此基础上,论文对属性约简后的岸桥起升机构和小车行走机构的状态数据分别进行了状态识别和可视化,实验结果表明,论文提出的3D空间的可视化算法运行良好,并取得了比2D空间更好的可视化效果。4.在论文的最后,对基于支持向量机（Support Vector Machine）的预测模型进行了初步的探讨,并建立了一种以岸桥驱动系统振动烈度为特征量的预测模型,并利用该模型对某台岸桥驱动系统的振动烈度值进行了单步和多步预测。通过比较发现,基于SVM的预测模型在单步和多步预测中均能够取得令人满意的结果。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 数据挖掘的概述及研究现状
• 1.2.1 数据挖掘概述
• 1.2.2 数据挖掘的任务
• 1.2.3 数据挖掘的主要方法
• 1.3 数据挖掘的研究现状
• 1.4 数据挖掘技术用于状态监测数据的研究现状
• 1.5 论文的目的和意义
• 1.6 论文的主要研究内容
• 参考文献
• 第二章 岸桥机械状态远程监测评估的系统实现与数据积累
• 2.1 引言
• 2.2 NetCMAS 系统结构
• 2.2.1 系统构架
• 2.2.2 系统网络模式
• 2.3 NetCMAS 中的关键技术研究及其实现
• 2.3.1 传感器布置
• 2.3.2 特征提取及指标选择
• 2.4 监测方案与数据挖掘数据源
• 2.4.1 状态监测方案
• 2.4.2 数据组织和数据挖掘的目标
• 2.5 本章小结
• 参考文献
• 第三章 岸桥动态监测数据的关联规则挖掘
• 3.1 引言
• 3.2 关联规则概述
• 3.2.1 关联规则的基本概念
• 3.2.2 关联规则挖掘经典算法概述
• 3.3 量化关联规则概述
• 3.4 量化关联规则挖掘算法（MQAR）概述
• 3.5 MCA-MQAR 关联规则挖掘方法
• 3.5.1 MCA 算法简介
• 3.5.2 MCA-MQAR 算法步骤
• 3.6 岸桥动态监测数据的关联规则挖掘
• 3.6.1 数据准备
• 3.6.2 监测信息的关联规则挖掘
• 3.7 基于遗传算法的量化关联规则挖掘—GA-MQAR
• 3.7.1 GA-MQAR 挖掘方法
• 3.8 GA-MQAR 算法的规则挖掘及结果分析
• 3.8.1 监测信息的关联规则挖掘
• 3.9 MCA-MQAR和GA-MQAR算法的比较
• 3.10 本章小结
• 参考文献
• 第四章 基于关联规则的岸桥机械状态识别
• 4.1 引言
• 4.2 关联规则的划分
• 4.2.1 规则划分的测度—相似度（Similarity）
• 4.2.2 关联规则的划分
• 4.3 基于规则的岸桥状态识别
• 4.4 本章小结
• 参考文献
• 第五章 岸桥机械状态识别中的属性约简
• 5.1 引言
• 5.2 粗糙集的基本理论
• 5.2.1 知识的分类和表达
• 5.2.2 粗糙集基本概念
• 5.3 粗糙集决策表的属性约简
• 5.3.1 可辨识矩阵（Discernibility Matrix）
• 5.3.2 决策表属性约简
• 5.3.3 决策表属性约简算法
• 5.4 基于粗糙集属性约简结果的评价标准
• 5.5 岸桥机械状态特征参数的属性约简
• 5.5.1 岸桥起升电机状态特征属性约简研究
• 5.5.2 岸桥小车行走电机状态特征属性约简研究
• 5.6 本章小结
• 参考文献
• 第六章 岸桥机械状态识别及可视化
• 6.1 引言
• 6.2 高维数据的可视化及其主要方法
• 6.2.1 高维数据可视化的基本概念
• 6.2.2 基于SOM 模型的聚类分析及可视化
• 6.3 增长神经元结构（Growing Cell Structure）
• 6.3.1 增长神经元结构简介
• 6.3.2 GCS 网络构成
• 6.3.3 GCS 学习与生长算法
• 6.4 岸桥电机机械状态聚类分析案例
• 6.4.1 起升电机机械状态聚类分析
• 6.4.2 小车电机机械状态聚类分析
• 6.5 本章小结
• 参考文献
• 第七章 基于支持向量机的岸桥状态参数预测
• 7.1 引言
• 7.2 支持向量机的基本理论与概述
• 7.2.1 统计学习理论
• 7.2.2 支持向量机的基本原理
• 7.2.3 支持向量机的回归算法
• 7.2.4 基于SVM 模型的时间序列预测模型
• 7.3 基于SVM 的岸桥机械状态特征参数预测
• 7.3.1 数据收集
• 7.3.2 数据预处理
• 7.3.3 SVM 预测模型的建立
• 7.3.4 预测模型的测试与比较
• 7.4 本章小结
• 参考文献
• 第八章 总结与展望
• 8.1 总结
• 8.2 论文创新点
• 8.3 展望
• 致谢
• 攻读博士学位期间发表、录用和投递的论文